从零实现深度学习框架——理解广播和常见的乘法
引言
本着“凡我不能创造的,我就不能理解”的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导。
要深入理解深度学习,从零开始创建的经验非常重要,从自己可以理解的角度出发,尽量不适用外部完备的框架前提下,实现我们想要的模型。本系列文章的宗旨就是通过这样的过程,让大家切实掌握深度学习底层实现,而不是仅做一个调包侠。
本系列文章首发于微信公众号:JavaNLP
本文来理解下什么是广播,以及其他框架是如何实现各种乘法)的。
广播
在这之前,必须先弄懂广播机制。在NumPy
和PyTorch
中都有广播机制。
当要进行运算(不仅仅是乘法)的两个向量的形状不同时,如果符合某种条件,小向量会被广播成大的向量,使得它们的维度一致。
当要进行广播时,会逐元素地比较它们的形状。如果两个向量a
和b
的形状相同。那么像a*b
就是对应元素相乘。
> a = np.array([1.0, 2.0, 3.0])
> b = np.array([2.0, 2.0, 2.0])
> a * b
array([2., 4., 6.])
当运算中的两个向量形状不同,但满足某些条件时,将触发广播机制。
> a = np.array([[ 0, 0, 0],[10,10,10],[20,20,20],[30,30,30]])
> b = np.array([1,2,3]) # (3,) -> (1,3) -> (4,3)
> a + b
array([[ 1, 2, 3],[11, 12, 13],[21, 22, 23],[31, 32, 33]])
下图很好的图示了上面的计算过程:
这里b
是一个元素个数为3的数组,把它从左边添加一个维度,变成(1×3)(1 \times 3)(1×3)的向量,然后在第1个维度上重复4次,变成了(4×3)(4 \times 3)(4×3)的矩阵,使得a
和b
的维度一致,再进行对应元素相加的加法运算。
上面说的某些条件是,首先让所有输入数组都向其中形状最长的数组看齐,形状中不足的部分都通过在维度左边加 1 补齐,然后比较对应维度值,需要满足:
- 它们是相等的
- 其他一个为1
如果不满足该条件,就无法进行广播。
理论总是枯燥的,需要通过实例来理解。
还是以上面的例子为例,
a # (4,3)
b = np.array([1,2,3]) # (3,) -> (1,3) -> (4,3)
a
的形状是(4×3)(4 \times 3)(4×3),b
的形状是(3,)(3,)(3,),b
需要向a
看齐,首先在其维度左边加1,直到它们拥有相同的维度个数(即a.ndim == b.ndim
为True
),因此这里变成(1,3)(1,3)(1,3);
比较它们的第一个维度值,a
和b
分别是444和111,此时b
在该维度上重复4次,向大佬看齐,b
变成了(4×3)(4 \times 3)(4×3);
比较它们的第二个维度值,都是333,它们是相等的,啥都不做;
它们只有两个维度,比较完了。
然后这里再进行加法操作。
下面看些其他例子:
> a = np.arange(4) # (4,)
> b = np.ones(5) # (5,)
> a + b
ValueError: operands could not be broadcast together with shapes (4,) (5,)
是的,这不合理。它俩的维度值不一样,无法进行对应元素相加,也无法进行广播。
再来看一个相对复杂一点的例子:
> a = np.arange(4).reshape(4,1) # (4,1)
> b = np.ones(5) # (5,)
> (a + b).shape
(4, 5)
> a + b
array([[1., 1., 1., 1., 1.],[2., 2., 2., 2., 2.],[3., 3., 3., 3., 3.],[4., 4., 4., 4., 4.]])
乍看起来有点奇怪,我们来分析一下。
a
的形状是(4×1)(4 \times 1)(4×1),b
的形状是(5,)(5,)(5,),b
需要向a
看齐,首先在其维度左边加1,因此这里变成(1,5)(1,5)(1,5);
比较它们的第一个维度值,a
和b
分别是444和111,此时b
在该维度上重复4次,向大佬a
看齐,b
变成了(4×5)(4 \times 5)(4×5);
比较它们的第二个维度值,a
和b
分别是111和555,嘿,此时b
咸鱼翻身成为被仰望的对象了,a
向b
看齐,a
在该维度上重复5次,a
变成了(4×5)(4 \times 5)(4×5)
它们只有两个维度,比较完了。
然后这里再进行加法操作。
我们通过手动广播来执行一遍上面的例子。
# 先来看下a和b长啥样
> a
array([[0],[1],[2],[3]])
> b
array([1., 1., 1., 1., 1.])> a_new = np.repeat(a, repeats=5, axis=1) # a需要在第二个维度上重复5次
> a_new # (4,5)
array([[0, 0, 0, 0, 0],[1, 1, 1, 1, 1],[2, 2, 2, 2, 2],[3, 3, 3, 3, 3]])
再看对b
对转换。
> b_new = b[np.newaxis, :] # 现在左边插入一个维度,变成了(1,5)
> b_new
array([[1., 1., 1., 1., 1.]])
> b_new = np.repeat(b_new, repeats=4,axis=0) # 然后在第一个维度上重复4次,变成了(4,5)
> b_new
array([[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.],[1., 1., 1., 1., 1.]])
它们的维度一致了,现在可以执行按元素相加了。
> a_new + b_new
array([[1., 1., 1., 1., 1.],[2., 2., 2., 2., 2.],[3., 3., 3., 3., 3.],[4., 4., 4., 4., 4.]])
> (a_new + b_new ) == (a + b) # 验证一下
array([[ True, True, True, True, True],[ True, True, True, True, True],[ True, True, True, True, True],[ True, True, True, True, True]])
Numpy
Numpy里面提供了很多种进行乘法计算的方法,主要讨论的是numpy.dot
、numpy.matmul
、numpy.multiply
。
np.dot
numpy.dot(a,b)
两个数组的点乘
- 如果
a
和b
都是一维(1-D)数组,计算它们的内积 - 如果
a
和b
都是二维)(2-D)数组,那么计算的是矩阵积,此时推荐使用matmul
或a @ b
- 如果
a
或b
是标量(0-D),等同于multiply
,推荐使用numpy.multiply(a,b)
或a * b
- 如果
a
是一个N维(N-D)数组,b
是一个一维数组,那么就是计算a
和b
最后一个维度(轴)上的内积(按元素相乘再求和) - 如果
a
是一个N维数组,b
是一个M维(M-D,M>=2)数组,那么就是a
最后一个维度(轴)上和b
倒数第二个维度上的内积(对应元素相乘再求和)
> np.dot(3, 4) # 两个标量,等同于a*b
12
> a = np.arange(3) # [0 1 2]
> b = np.arange(3,6) # [3 4 5]
> print(a,b)
[0 1 2] [3 4 5]
> print(np.dot(a,b)) # 0*3 + 1*4 + 2*5=14 两个一维数组,计算它们的内积
14
> a = np.arange(6).reshape(-1,2) # (3,2)
> b = np.arange(2).reshape(2,-1) # (2,1)
> print(a)
[[0 1][2 3][4 5]]
> print(b)
[[0][1]]
> print(np.dot(a,b)) # (3,2) x (2,1) -> (3,1) 两个二维数组,计算矩阵乘法
[[1][3][5]]
下面来看一下稍微复杂一点的第4种情况
> a = np.arange(1,7).reshape(-1,3) #(2,3) a是二维数组
[[1 2 3][4 5 6]]
> b = np.array([1,2,3]) # (3,) b是一维数组
[1 2 3]
> c = np.dot(a,b) # 计算a和b最后一个轴上的内积之和
[14 32]
相当于是用a
的最后一个轴,(2,3)
中3
对应的那个轴去和b
的最后一个轴,也是第一个轴(3)
去计算内积,即
[1*1 + 2*2 + 3*3, 4*1 + 5*2 + 6*3] = [14,32]
最复杂的是最后一种情况,由于博主无法想象出超过三维的情况(如果你能想象出来,
从零实现深度学习框架——理解广播和常见的乘法相关推荐
- python学习框架图-从零搭建深度学习框架(二)用Python实现计算图和自动微分
我们在上一篇文章<从零搭建深度学习框架(一)用NumPy实现GAN>中用Python+NumPy实现了一个简单的GAN模型,并大致设想了一下深度学习框架需要实现的主要功能.其中,不确定性最 ...
- 从零实现深度学习框架——GloVe从理论到实战
引言 本着"凡我不能创造的,我就不能理解"的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导.
- 从零实现深度学习框架——Seq2Seq从理论到实战【实战】
引言 本着"凡我不能创造的,我就不能理解"的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导.
- 从零实现深度学习框架——RNN从理论到实战【理论】
引言 本着"凡我不能创造的,我就不能理解"的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导.
- 从零实现深度学习框架——深入浅出Word2vec(下)
引言 本着"凡我不能创造的,我就不能理解"的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导. 要深入理解深度学 ...
- 从零实现深度学习框架——从共现矩阵到点互信息
引言 本着"凡我不能创造的,我就不能理解"的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导.
- 从零实现深度学习框架——LSTM从理论到实战【理论】
引言 本着"凡我不能创造的,我就不能理解"的思想,本系列文章会基于纯Python以及NumPy从零创建自己的深度学习框架,该框架类似PyTorch能实现自动求导.
- 支撑千万规模类别分类技术,百度飞桨定义工业级深度学习框架
2016 年,AlphaGo 横空出世,人工智能时代到来.同年,百度开源自研的深度学习框架 PaddlePaddle(飞桨),成为中国首个开源深度学习框架. 然而,这波由深度学习推动的技术和产业浪潮, ...
- 大数据分析PyTorchx深度学习框架教程
PyTorch是一个不断发展的深度学习框架,具有许多令人兴奋的附加功能.我们将回顾其基本元素,并逐步演示构建简单的深度神经网络(DNN)的示例. PyTorch的基础知识-简介 自从2017年初推出它 ...
- 深度学习框架-Backbone汇总
Backbone-- Neck -- Head 1.Backbone:翻译为骨干网络的意思,既然说是主干网络,就代表其是网络的一部分,那么是哪部分呢?这个主干网络大多时候指的是提取特征的网络,其作用 ...
最新文章
- 老生常谈:文字常量区的那点事
- 港口物流系统设计与优化-SMU在线学习笔记
- Awk by Example--转载
- telnet命令发送邮件
- virtualenv之python虚拟环境
- PAT甲级 1003 Dijkstra的口诀干货
- ABP教程(四)- 开始一个简单的任务管理系统 - 实现UI端的增删改查
- go import用法
- ①读后感之《当我们谈论爱情时我们在谈论什么》┊(美)雷蒙德.卡佛
- 红外编解码模块YS-NEC使用
- 马克思在《数学手稿》中提出如下问题:有30个人(包括男人、女人和小孩)在一家饭店吃饭共花50先令,其中每个男人花3先令,每个女人花2先令,每个小孩花1先令,问男人、女人、小孩各有多少人
- 汕头示范新品种技术 国稻种芯·中国水稻节:广东水稻粒粒归仓
- 【高德地图API】如何转到高德坐标系?
- Diagnosing OSGi uses conflicts
- java获取唯一序列号,Android 获取本机唯一序列号 和可变UUID方法
- vue 项目node服务器部署流程
- python小球游戏代码
- 使用scrapy爬取qq音乐
- python格式化输出xml_将Scrapy的输出格式化为XML
- 基于同态加密的隐私计算技术在基因序列演化分析场景的应用